Das Modell von McCulloch und Pitts
|
|
- Timo Wilfried Sachs
- vor 6 Jahren
- Abrufe
Transkript
1 Humboldt Universität Berlin Institut für Informatik Dr. Kock Seminar Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Alexandra Rostin
2 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie 2 Inhalt. Das Modell von McCulloch und Pitts ein abstraktes vorwärtsgerichtetes Neuronenmodell 2. einfache logischen Funktionen 3. beliebige logische Funktionen 4. Äquivalenz von McCulloch Pitts Netzen 5. Rekursive Netze 6. Erste Klassifizierung neuronaler Netze 7. Zusammenfassung 8. Literaturquellen
3 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie 3. Das Modell von McCulloch und Pitts ein abstraktes vorwärtsgerichtetes Neuronenmodell Warren Sturgis McCulloch Neurophysiologe und Kybernetiker Walter Pitts 924 (?) Logiker, Mathematiker Aufsatz (943): A logical calculus of the ideas immanent in nervous activity Ziel: einfaches mathmatisches Modell entwickeln, das Verhalten der Neuronen im Gehirn erklären sollte Fragestellung: Kann das Gehirn alle Turing berechenbaren Funktionen berechen? Erkenntnis, daß Neuronen wie logische Einheiten funktionieren
4 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie 4 Betrachtung des Neuron als BlackBox x y 2 y x 2 F x n y m n dimensionaler Eingabevektor F : R n R m m dimensionaler Ausgabevektor Berechnungsrichtung durch Vernetzung bestimmt
5 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie 5 zwei mögliche Berechnungsflüsse: vorwärtsgerichtetes Netz rekursives Netz x g g(x) f f(g(x)) x t f f(x t,f(x t,f(x t 2,...))) ohne Zyklen ohne Zeitverlust nach Eingabe liegt Ergebnis gleich am Ausgang Berechnungsprozesse eindeutig durch Vernetzung festgelegt mit Zyklen Betrachtung der zeitlichen Dimension notwendig Berechnung verbraucht z.b. eine Zeiteinheit Eingabe an Zeitpunkt t führt zur Ausgabe zum Zeitpunkt t + Berechnungsprozesse nicht mehr eindeutig durch Vernetzung
6 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie 6 Aufbau des McCulloch Pitts Neurons () x 2 x f(g(x,x 2,...,x n )) g f x n Integrationsteil: Ausgabeteil: berechnet Ausgabe des Neurons Integrationsfunktion reduziert n Argumente auf Argument Zusammenfassung der Eingabe hier Addition der Eingabesignale Neuronen bzw. Berechungseinheiten bzw. Zellen: Bestehend aus: Kanten (Verbindungen) : gerichtete Verbindungskanäle Knoten : Funktionsauswertung zur Vereinfachung: im Knoten wird nur ein Argument durch eine primitive Funktion berechnet in der Regel innerhalb eines Netz Berechnung der gleichen primitiven Funktion Neuron besteht aus zwei Teilen: Integrationsteil Ausgabeteill Verarbeitung von binären Signalen : /
7 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie 7 Aufbau des McCulloch Pitts Neurons (2) x y m x n hemmende Leitungen y erregende Leitung Ausgangsleitung kann sich verzweigen, Signal bleibt eindeutig Schwellenwert beliebige reelle Zahl zwei Arten von Verbindungsleitungen : erregende hemmende verändert Verhalten des Neurons: Hemmung bei '' n erregende Leitungen x i m hemmende Leitungen y i Arbeitsweise: bei m : wenn mind. ein y i = Neuron gehemmt, Ausgabe = wenn alle y i = Berechnung der Erregung des Neurons dh. Berechung der Summe der Eingabesignale x i und Vergleich mit Schwellenwert : Erregung : Ausgabe = sonst : Ausgabe =
8 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie 8 Verhalten des McCulloch Pitts Neurons: ohne hemmendes Signal wie Mehrheitsgatter beachte: Inaktivierung schon bei einem einzigen hemmenden Signal Defintion McCulloch Pitts Netz gerichteter Graph bestehend aus: Knotenmenge (McCulloch Pitts Zellen) gerichteten Kanten mit zwei Klassen: hemmende Leitung erregende Leitung zyklenloser Graph heißt vorwärtsgerichtet Graph mit Zyklen heißt rekursiv
9 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie 9 Ausgabefunktion einer Zelle Treppenfunktion bei Erreichung des Wertes von : Funktion steigt abrupt von auf bei = : Ausgang = für x i = bei > x i : Ausgang = hier: ohne Zeitverzögerung (da vorwärtsgerichtetes Netz)
10 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie 2. einfache logischen Funktionen 2. Monotone Funktionen: Konjunktion und Disjunktion 2.2 Nichtmonotone Funktionen : Negation 2.3 Geometrische Interpretation
11 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie 2. monotone Funktionen: Konjunktion und Disjunktion logische/boolische Funktionen über Trägermenge {,}: {,} n {,} ohne hemmende Leitungen einfache Wahrheitsfunktion mit McCulloch Pitts Zellen : AND OR x 2 x x 2 x 2 Schwellenwert : xi?
12 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie nichtmonotone Funktionen: Negation ohne hemmende Leitung nur monotone Funktionen berechenbar d.h. nicht alle logische Funktionen darstellbar deshalb Einführung logischer Negation: NOT NOR x AND x 2 x x x 2 x x 2 Schwellenwert : xi? ermöglicht Darstellung komplexer Netze
13 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie Geometrische Interpretation an Beispiel der OR Funktion x 3 x 2 h Trennebene = x Einheitswürfel besitzt 2 n Ecken x x 2 x 3 y logische Funktion : numerische Belegung (''oder '') der Ecken McCulloch Pitts Zelle teilt Raum in zwei (und mehr) Regionen Trennebene Gleichung: x + x 2 + x 3 = x y Raumschnitte nur parallel ( nichtparallele Schnitte bei gewichteten Kanten) x 2 x 3
14 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie 4 3. Netze für beliebige logische Funktionen 3.. Konstruktive Methode 3.2. Verknüpfungsbasen
15 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie 5 3. Konstruktive Methode jede logische Funktion von n Variablen als Darstellung in tabellarische Form Netz für Berechnung dieser logischen Funktion besitzt n Eingabe und Ausgabeleitung Decodierer für Vektor (x,x 2,x 3 ) = (,,) x x 2 x 3 2 Eingabevektor : Tupel von n Eingabe Werten Netz muß Eingabevektoren mit richtigen Funktionswert assozieren bei ungegrenzt vielen McCulloch Pitts Zellen kann beliebige logische Funktion berechnet werden beliebiger Vektor kann mit nur einer McCulloch Pitts Zelle erkannt werden, diese Zelle wird dann Decodierer dieses Vektors genannt
16 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie 6 3. Konstruktive Methode : Aufbau eines Netzes für beliebige logische Funktionen Eingabevektoren F (,,) (,,) restl. Vektoren x x 2 x 3 Decodier Zellen OR Zellen es werden soviele Decodierer Zellen verwendet, wie Funktion in Tabelle Einsen besitzt Satz 2.. Jede logische Funktion F : {,} n {,} kann mit einem zweischichtigen McCulloch Pitts Netz berechnet werden
17 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie 7 3. Verknüpfungsbasen Frage : Welche sind die Minimalkomponenten, mit denen noch alle bel. boolische Funktionen gebildet werden können? Beispiel von letzter Folie bestand aus zwei Decodierer und einer OR Zelle Decodierer bestehen aus NOT und AND Zellen hemmende Verbindungen können negiert werden und in normale Leitungen übergehen eine Decodierzelle würde dann so aussehen für Vektor (,,): x x 2 3 x 3
18 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie 8 3. Verknüpfungsbasen (Fortsetzung) Satz 2.2. Jede logische Funktion von n binären Variablen kann mit einem Netz berechnet werden, das nur die Knoten AND, OR und NOT als Komponenten benutzt. die Knoten AND, OR und NOT bilden eine Verknüpfungsbasis d.h. mit diesen drei können alle logischen Funktionen konstruiert werden Korollar 2.. Die zwei Knoten AND und NOT bilden eine Verknüpfungsbasis für logische Funktionen Korollar 2.3. Die zwei Knoten OR und NOT bilden eine Verknüpfungsbasis für logische Funktionen
19 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie 9 4. Äquivalente Netze 4. Gewichtete und ungewichtete Netze 4.2 Absolute und relative Hemmung 4.3 Zwei Zustände und vielen Zuständen
20 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie 2 4. Gewichtete und ungewichtete Netze Äquivalenz von ungewichteten McCulloch Pitts Netze zu gewichteten Vervielfachung einer Eingabeleitung Veränderung der Netz Topologie x,2 x x 2,4,3,7 äquivalent zu x 2 7 x 3 x 3 gewichtetes Netz ungewichtetes Netz,2x +,4x 2 +,3x 3,7 2x + 4x 2 + 3x 3 7
21 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie absolute und relative Hemmung () absolute Hemmung: Neuron wird inaktiv, wenn hemmende Leitung führt McCulloch Pitts Neuron relative Hemmung: Schwellenwert wird um erhöht entspricht erregenden Leitung mit Gewicht Satz 2.3. Gewichtete Netze mit relativ hemmenden Verbindungen können in äquivalente ungewichtete McCulloch Pitts Netze transformiert werden und umgekehrt. Implementation komplizierte Modelle möglich wenn Äquivalenz zwischen gewicheten und ungewichteten Netzen gezeigt wurde (nächste Folie), ist es einfacher, mit ungewichteten zu arbeiten
22 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie absolute und relative Hemmung (2) Äquivalenz von Netzen mit relativ hemmende Leitungen zu solchen mit absoluter Hemmung n erregende Eingabeleitungen Neuron mit Schwellenwert m mit relativ hemmende Leitung wird zur absoluten hemmenden bei n m + Verzweigungen wenn alle n erregende und m hemmende Leitungen geschaltet dann wird folgende Bedingung überprüft: n ( n m + ) m wird nie erfüllt und Neuron kann keine erzeugen
23 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie Binäre Information Frage: Sind Netze mit zwei Zuständen genauso effektiv wie solche mit mehreren? b : Anzahl der Zustände pro Kanal bzw. Leitung c : Anzahl der Kanäle K: Kosten : Proportionalitätskonstante : Konstante b c : Anzahl unterschiedliche Zahlen, die mit c Kanälen mit jeweills b Zuständen dargestellt werden kann K = bc c = K/ b = /b Gesucht: Basis b, die die Funktion b /b für konstante Kosten maximiert
24 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie Binäre Information (Fortsetzung) Optimum Anzahl der Zustände b : Eulerkonstante e d.h. eigentlich drei Zustände am effektivsten allerdings verursacht Decodierung ebenfalls Kosten, deshalb Entscheidung für zwei Zustände b : Anzahl der Zustände pro Kanal bzw. Leitung c : Anzahl der Kanäle K: Kosten : Proportionalitätskonstante : Konstante b c : Anzahl unterschiedliche Zahlen, die mit c Kanälen mit jeweills b Zuständen dargestellt werden kann K = bc c = K/ b = /b
25 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie Rekursive Netze 5. Netze mit Erinnerung 5.2 Endliche Automaten 5.3 Äquivalenz endlicher Automaten und neuronaler Netze
26 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie Netze mit Erinnerung vorwärtsgerichtete Netze können bel. Funktion mit fester Eingabevektorlänge berechnen gibt auch Klassen von Funktionen mit unbekannt langen Eingaben z.b. Addition zweier binärer Zahlen d.h. bitweise Eingabe über zwei Eingabeleitungen und bitweise Ausgabe auf anderer Seite des Netzes vorwärtsgerichtetes Netz kann Aufgabe nicht lösen wegen Übertrag Problem Lösung mit Hilfe rekusiver Netze
27 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie Netze mit Erinnerung rekursives Netz : Rückführung der Resulate ins Netz dh.signale können für bestimmte Zeit festgehalten werden, um sie wieder zu verwenden Benutzung von McCulloch Pitts Zellen mit Zeitverzögerung Berechnung der Ausgabeinheit konsumiert eine Kosteneinheit Eingabe zur Zeit t produziert Ausgabe zur Zeit t+ produziert
28 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie Netze mit Erinnerung Beispiel Netz verarbeitet eine Kette ankommender Bits verwandelt zwei Einsen in eine Eins wird dabei zu es werden nur Paaren von Einsen erkannt, die mind. durch eine Null getrennt sind Eingabe t = 2 Ausgabe
29 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie Netze mit Erinnerung Beispiel Netz verarbeitet eine Kette ankommender Bits verwandelt zwei Einsen in eine Eins wird dabei zu es werden nur Paaren von Einsen erkannt, die mind. durch eine Null getrennt sind Eingabe t = Achtung Konsumierung einer Zeiteinheit, also Ergebnis von Eingabe bei t = 2 Ausgabe Achtung heißt nicht Negation, sondern Hemmung bei!
30 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie 3 5. Netze mit Erinnerung Beispiel Netz verarbeitet eine Kette ankommender Bits verwandelt zwei Einsen in eine Eins wird dabei zu es werden nur Paaren von Einsen erkannt, die mind. durch eine Null getrennt sind Eingabe t = 2 2 Ausgabe
31 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie 3 5. Netze mit Erinnerung Beispiel Netz verarbeitet eine Kette ankommender Bits verwandelt zwei Einsen in eine Eins wird dabei zu es werden nur Paaren von Einsen erkannt, die mind. durch eine Null getrennt sind Eingabe t = 3 2 Ausgabe Hemmung der Neuronen in der nächsten Zeiteinheit
32 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie Netze mit Erinnerung Beispiel Netz verarbeitet eine Kette ankommender Bits verwandelt zwei Einsen in eine Eins wird dabei zu es werden nur Paaren von Einsen erkannt, die mind. durch eine Null getrennt sind Eingabe t = 4 2 Ausgabe Hemmung der Neuronen
33 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie Netze mit Erinnerung Beispiel Netz verarbeitet eine Kette ankommender Bits verwandelt zwei Einsen in eine Eins wird dabei zu es werden nur Paaren von Einsen erkannt, die mind. durch eine Null getrennt sind Eingabe t = 5 2 Ausgabe
34 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie Netze mit Erinnerung Beispiel Netz verarbeitet eine Kette ankommender Bits verwandelt zwei Einsen in eine Eins wird dabei zu es werden nur Paaren von Einsen erkannt, die mind. durch eine Null getrennt sind Eingabe t = 6 2 Ausgabe Erneute Hemmung der Neuronen
35 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie Netze mit Erinnerung Beispiel Netz verarbeitet eine Kette ankommender Bits verwandelt zwei Einsen in eine Eins wird dabei zu es werden nur Paaren von Einsen erkannt, die mind. durch eine Null getrennt sind Eingabe t = 7 2 Ausgabe
36 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie Netze mit Erinnerung Beispiel Netz verarbeitet eine Kette ankommender Bits verwandelt zwei Einsen in eine Eins wird dabei zu es werden nur Paaren von Einsen erkannt, die mind. durch eine Null getrennt sind t = 8 Eingabe 2 Ausgabe
37 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie Endliche Automaten Automat System, das seinen Zustand ändert Zustandsänderung je nach externer Eingabe Ausgabe entsprechend Zustandsänderung Endlicher Automat endliche Anzahl von Zuständen endliche Anzahl von Eingabesignalen Zustandsübergangstabelle Ausgabetabelle einfache Zeitverzögerung: Eingabe zur Zeit t Ausgabe zur Zeit t +
38 V SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie Endliche Automaten (Fortsetzung) Eingabe Beispiel zwei Zustände : Q,Q zwei Eingabewerte :, Ausgabe Q V Zustandsübergangstabelle Ausgabetabelle Q Q Q Q Q Q Q Q V Q V ohne Eingabe Endlosschleife oder fester Zustand nicht alle berechenbaren Funktionen berechenbar wegen endlicher Eingabe z.b. Multiplikation mit zwei beliebig langer binären Zahlen
39 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie Äquivalenz endlicher Automaten und neuronaler Netze endliche Automaten und rekursive McCulloch Pitts Netze sind äquivalent konstruktiver Beweis (nur eine Richtung) Satz 2.4. Jeder endliche Automat kann mit einem Netz von McCulloch Pitts Zellen simuliert werden
40 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie Äquivalenz endlicher Automaten und neuronaler Netze (Fortsetzung) Beweisidee: decodierte Eingabe über Leitungen I i nur eine Leitung aktiv d.h. erhält Rest inaktiv d.h. erhält Netz befindet sich in einen wohldefinierten Zustand Q i d.h. nur eine Leitung der Q i aktiv AND Zelle kann nur feuern, wenn Zustandsbit und Eingabeleitung aktiv sind zu jedem Zeitpunkt t+ nur eine AND Zelle aktiv einfache Zeitverzögerung (da rekursives Netz)
41 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie Äquivalenz endlicher Automaten und neuronaler Netze (Fortsetzung) Zustandsübergang wird hier von Verschaltungen bestimmt Beispiel für Verschaltung: (I,Q ) Q 2 OR Zellen Ausgabefunktion bestimmt Verschaltung Eingabeleitungen AND Zellen
42 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie Äquivalenz endlicher Automaten und neuronaler Netze (Fortsetzung) endliche Automaten und rekursive McCulloch Pitts Netze sind äquivalent konstruktiver Beweis (nur eine Richtung) Satz 2.4. Jeder endliche Automat kann mit einem Netz von McCulloch Pitts Zellen simuliert werden Nachteil / Problem: jede Funktion braucht andere Verschaltung nicht alle berechenbaren Funktionen möglich Besser wäre... universelles Netz d.h. kein spezielles Netz für eine Funktion mehr notwendige Netzparameter soll Netz selber bestimmen (Lernen) deshalb: Perzeptronen Modell (nächster Vortrag)
43 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie Erste Klassifizierung von neuronalen Netzen gewichtete Netze Lernen durch Verändern der Gewichte ungewichtete Netze Lernen d.h. anpassen an neuer Funktion durch Ändern der Schwellenwerte und Verbindungsleitungen Änderung der Netztopologie synchronen Modelle Ausgabe aller Zellen gleichzeitig berechnet (vorwärtsgerichtete Netze) asynchrone Modelle Aktivierung eines jeden Neurons wird zu unterschiedlichen Zeitpunkten (unabhängig voneinander) berechnet (Netze mit Zyklen) Berechnungsmodelle ohne gespeicherten Zustand McCulloch Pitts Zelle ohne inneren Zustand Berechnungmodelle mit gespeicherten Zustand Neuron mit inneren Zustand alle unterschiedlichen Netze/Modelle sind äquivalent
44 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie Zusammenfassung Walter Pitts und Warren McCulloch (943): A logical calculus of the ideas immanent in nervous activity y m y McCulloch Pitts Neuron als gerichteter Graph Knoten bzw. Zellen berechnen primitive Funktion (hier Addition) Zwei Klassen von Kanten/Leitungen : hemmende und erregende zur Vereinfachung nur eine Ausgabeleitung Verarbeitung von binären Signalen x x n Neuron feuert, wenn Summe aller erregende Leitungen größer oder gleich dem Schwellenwert ist absolute Hemmung: Inaktivierung des Neurons bei einem einzigen hemmende Signals Unterscheidung zwischen vorwärtsgerichteten (zyklenlosen) und rekursiven (mit Zyklen) Netzen einfache Zeitverzögerung nur bei rekursiven Netzen mit den minimalen Verknüpfungsbasen (AND und NOT) oder (OR und NOT) lassen sich alle logischen Funktionen berechnen
45 SE Künstliche Neuronale Netze Das Modell von McCulloch und Pitts Folie Literaturquellen: Raul Rojas Theorie der neuronalen Netze Eine systematische Einführung klu.ac.at/bam_fuss.htm Folien als PDF und in Webformat unter: berlin.de/~rostin
Was bisher geschah. Lernen: überwachtes Lernen. biologisches Vorbild neuronaler Netze: unüberwachtes Lernen
Was bisher geschah Lernen: überwachtes Lernen korrigierendes Lernen bestärkendes Lernen unüberwachtes Lernen biologisches Vorbild neuronaler Netze: Neuron (Zellkörper, Synapsen, Axon) und Funktionsweise
MehrNeuronale Netze mit mehreren Schichten
Neuronale Netze mit mehreren Schichten Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl Informatik 8) Neuronale Netze mit mehreren
MehrSoftcomputing Biologische Prinzipien in der Informatik. Neuronale Netze. Dipl. Math. Maria Oelinger Dipl. Inform. Gabriele Vierhuff IF TIF 08 2003
Softcomputing Biologische Prinzipien in der Informatik Neuronale Netze Dipl. Math. Maria Oelinger Dipl. Inform. Gabriele Vierhuff IF TIF 08 2003 Überblick Motivation Biologische Grundlagen und ihre Umsetzung
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014 Übersicht Stand der Kunst im Bilderverstehen: Klassifizieren und Suchen Was ist ein Bild in Rohform? Biologische
MehrKohonennetze Selbstorganisierende Karten
Kohonennetze Selbstorganisierende Karten Julian Rith, Simon Regnet, Falk Kniffka Seminar: Umgebungsexploration und Wegeplanung mit Robotern Kohonennetze: Neuronale Netze In Dendriten werden die ankommenden
MehrA.1 Schaltfunktionen und Schaltnetze
Schaltfunktionen und Schaltnetze A. Schaltfunktionen und Schaltnetze 22 Prof. Dr. Rainer Manthey Informatik II Bedeutung des Binärsystems für den Rechneraufbau Seit Beginn der Entwicklung von Computerhardware
MehrWas bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und
Was bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und Ausgaben Aktivierungsfunktionen: Schwellwertfunktion
MehrTeil 1: Digitale Logik
Teil 1: Digitale Logik Inhalt: Boolesche Algebra kombinatorische Logik sequentielle Logik kurzer Exkurs technologische Grundlagen programmierbare logische Bausteine 1 Analoge und digitale Hardware bei
MehrGrundlagen der Informationverarbeitung
Grundlagen der Informationverarbeitung Information wird im Computer binär repräsentiert. Die binär dargestellten Daten sollen im Computer verarbeitet werden, d.h. es müssen Rechnerschaltungen existieren,
MehrDas Perzeptron. Künstliche neuronale Netze. Sebastian Otte. 1 Grundlegendes. 2 Perzeptron Modell
Fachbereich Design Informatik Medien Studiengang Master Informatik Künstliche neuronale Netze Das Perzeptron Sebastian Otte Dezember 2009 1 Grundlegendes Als Perzeptron bezeichnet man eine Form von künstlichen
MehrVerwendet man zur Darstellung nur binäre Elemente ( bis lat.: zweimal) so spricht man von binärer Digitaltechnik.
Kursleiter : W. Zimmer 1/24 Digitale Darstellung von Größen Eine Meßgröße ist digital, wenn sie in ihrem Wertebereich nur eine endliche Anzahl von Werten annehmen kann, also "abzählbar" ist. Digital kommt
MehrNeuronale Netze (I) Biologisches Neuronales Netz
Neuronale Netze (I) Biologisches Neuronales Netz Im menschlichen Gehirn ist ein Neuron mit bis zu 20.000 anderen Neuronen verbunden. Milliarden von Neuronen beteiligen sich simultan an der Verarbeitung
MehrSeminararbeit für das SE Reine Mathematik- Graphentheorie
Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis
MehrEinführung in neuronale Netze
Einführung in neuronale Netze Florian Wenzel Neurorobotik Institut für Informatik Humboldt-Universität zu Berlin 1. Mai 2012 1 / 20 Überblick 1 Motivation 2 Das Neuron 3 Aufbau des Netzes 4 Neuronale Netze
Mehr4 Greedy-Algorithmen (gierige Algorithmen)
Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen werden oft für die exakte oder approximative Lösung von Optimierungsproblemen verwendet. Typischerweise konstruiert ein Greedy-Algorithmus eine
MehrStefan Lucks Krypto und Mediensicherheit (2009) 4: Stromchiffren
4: Stromchiffren Zwei Grundbausteine der symmetrischen Kryptographie: Stromchiffren Verschlüsseln beliebig langer Klartexte, interner Zustand Blockchiffren Verschlüsseln von Blocks einer festen Größe,
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
Mehr16. All Pairs Shortest Path (ASPS)
. All Pairs Shortest Path (ASPS) All Pairs Shortest Path (APSP): Eingabe: Gewichteter Graph G=(V,E) Ausgabe: Für jedes Paar von Knoten u,v V die Distanz von u nach v sowie einen kürzesten Weg a b c d e
MehrFH Jena Prüfungsaufgaben Prof. Giesecke FB ET/IT Binäre Rechenoperationen WS 09/10
FB ET/IT Binäre Rechenoperationen WS 9/ Name, Vorname: Matr.-Nr.: Zugelassene Hilfsmittel: beliebiger Taschenrechner eine selbst erstellte Formelsammlung Wichtige Hinweise: Ausführungen, Notizen und Lösungen
Mehr9 Codes. Hochschule für Angewandte Wissenschaften Hamburg FACHBEREICH ELEKTROTECHNIK UND INFORMATIK DIGITALTECHNIK 9-1
9 Codes 9.1 Charakterisierung und Klassifizierung Definition: Das Ergebnis einer eindeutigen Zuordnung zweier Zeichen- bzw. Zahlenmengen wird Code genannt. Die Zuordnung erfolgt über eine arithmetische
MehrZusammenfassung. 1 Wir betrachten die folgende Signatur F = {+,,, 0, 1} sodass. 3 Wir betrachten die Gleichungen E. 4 Dann gilt E 1 + x 1
Zusammenfassung Zusammenfassung der letzten LV Einführung in die Theoretische Informatik Woche 7 Harald Zankl Institut für Informatik @ UIBK Wintersemester 2014/2015 1 Wir betrachten die folgende Signatur
MehrSequentielle Logik. Einführung in die Technische Informatik Falko Dressler, Stefan Podlipnig Universität Innsbruck
Sequentielle Logik Einführung in die Technische Informatik Falko Dressler, Stefan Podlipnig Universität Innsbruck Übersicht Schaltwerke Flip-Flops Entwurf eines Schaltwerks Zähler Realisierung Sequentielle
MehrDer Zwei-Quadrate-Satz von Fermat
Der Zwei-Quadrate-Satz von Fermat Proseminar: Das BUCH der Beweise Fridtjof Schulte Steinberg Institut für Informatik Humboldt-Universität zu Berlin 29.November 2012 1 / 20 Allgemeines Pierre de Fermat
Mehr5. Aussagenlogik und Schaltalgebra
5. Aussagenlogik und Schaltalgebra Aussageformen und Aussagenlogik Boolesche Terme und Boolesche Funktionen Boolesche Algebra Schaltalgebra Schaltnetze und Schaltwerke R. Der 1 Aussagen Information oft
MehrFormale Systeme. Binary Decision Diagrams. Prof. Dr. Bernhard Beckert WS 2010/2011 KIT INSTITUT FÜR THEORETISCHE INFORMATIK
Formale Systeme Prof. Dr. Bernhard Beckert WS / KIT INSTITUT FÜR THEORETISCHE INFORMATIK KIT University of the State of Baden-Württemberg and National Large-scale Research Center of the Helmholtz Association
MehrElemente der Analysis II
Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel
MehrInformatik I WS 07/08 Tutorium 24
Info I Tutorium 24 Informatik I WS 07/08 Tutorium 24 3.2.07 astian Molkenthin E-Mail: infotut@sunshine2k.de Web: http://infotut.sunshine2k.de Organisatorisches / Review is zum 2.2 müssen alle Praxisaufgaben
MehrZuammenfassung: Reelle Funktionen
Zuammenfassung: Reelle Funktionen 1 Grundlegendes a) Zahlenmengen IN = {1; 2; 3; 4;...} Natürliche Zahlen IN 0 = IN {0} Natürliche Zahlen mit 0 ZZ = {... ; 2; 1; 0; 1; 2;...} Ganze Zahlen Q = { z z ZZ,
MehrKapitel 3: Boolesche Algebra
Inhalt: 3.1 Grundlegende Operationen und Gesetze 3.2 Boolesche Funktionen u. u. ihre Normalformen 3.3 Vereinfachen von booleschen Ausdrücken 3.4 Logische Schaltungen 3.1 Grundlegende Operationen und Gesetze
MehrZusammenfassung Grundzüge der Informatik 4
Zusammenfassung Grundzüge der Informatik 4 Sommersemester 04 Thorsten Wink 21. September 2004 Version 1.2 Dieses Dokument wurde in L A TEX 2εgeschrieben. Stand: 21. September 2004 Inhaltsverzeichnis 1
MehrUniversität Koblenz-Landau, Abteilung Koblenz FB 4 Informatik. Seminar Entscheidungsverfahren für logische Theorien. Endliche Modelle.
Universität Koblenz-Landau, Abteilung Koblenz FB 4 Informatik Seminar Entscheidungsverfahren für logische Theorien Tobias Hebel Koblenz, am 18.02.2005 Inhaltsverzeichnis 1 Einleitung... 3 2 Grundlagen...
MehrGrundlagen der Informatik
Grundlagen der Informatik Teil III Boolesche Algebra, Signalarten, Elektronische Bauteile Seite 1 Boolesche Algebra George Boole => englischer Mathematiker Mitte 19. Jahrhundert Formale Sicht digitaler
Mehr2.5. VERBINDUNGSNETZWERKE GESTALTUNGSKRITERIEN DER NETZWERKE TOPOLOGIE ALS GRAPH. Vorlesung 5 TOPOLOGIE: DEFINITIONEN : Sei G = (V, E) ein Graph mit:
Vorlesung 5.5. VERBINDUNGSNETZWERKE Kommunikation zwischen den einzelnen Komponenten eines arallelrechners wird i.d.r. über ein Netzwerk organisiert. Dabei unterscheidet man zwei Klassen der Rechner: TOOLOGIE:
MehrJava Einführung Operatoren Kapitel 2 und 3
Java Einführung Operatoren Kapitel 2 und 3 Inhalt dieser Einheit Operatoren (unär, binär, ternär) Rangfolge der Operatoren Zuweisungsoperatoren Vergleichsoperatoren Logische Operatoren 2 Operatoren Abhängig
MehrMachine Learning - Maschinen besser als das menschliche Gehirn?
Machine Learning - Maschinen besser als das menschliche Gehirn? Seminar Big Data Science Tobias Stähle 23. Mai 2014 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der
Mehrder einzelnen Aussagen den Wahrheitswert der zusammengesetzten Aussage falsch falsch falsch falsch wahr falsch wahr falsch falsch wahr wahr wahr
Kapitel 2 Grundbegriffe der Logik 2.1 Aussagen und deren Verknüpfungen Eine Aussage wie 4711 ist durch 3 teilbar oder 2 ist eine Primzahl, die nur wahr oder falsch sein kann, heißt logische Aussage. Ein
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrGraphen: Einführung. Vorlesung Mathematische Strukturen. Sommersemester 2011
Graphen: Einführung Vorlesung Mathematische Strukturen Zum Ende der Vorlesung beschäftigen wir uns mit Graphen. Graphen sind netzartige Strukturen, bestehend aus Knoten und Kanten. Sommersemester 20 Prof.
MehrFormelsammlung. Wahrscheinlichkeit und Information
Formelsammlung Wahrscheinlichkeit und Information Ein Ereignis x trete mit der Wahrscheinlichkeit p(x) auf, dann ist das Auftreten dieses Ereignisses verbunden mit der Information I( x): mit log 2 (z)
MehrComputertechnik 1. 4.3 Schaltwerke, Sequentielle Schaltungen. 4.3.2 Register. Register. Dr. Wolfgang Koch
omutertechnik r. Wolfgang Koch 4.3 Schaltwerke, Sequentielle Schaltungen Seicher, Register... : Frühere Eingaben (innere Zustände) sielen eine Rolle (werden geseichert) Friedrich Schiller University Jena
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
MehrKünstliche Intelligenz Maschinelles Lernen
Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert Sommersemester 2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen
MehrVorlesung Theoretische Informatik
Vorlesung Theoretische Informatik Automaten und Formale Sprachen Hochschule Reutlingen Fakultät für Informatik Masterstudiengang Wirtschaftsinformatik überarbeitet von F. Laux (Stand: 09.06.2010) Sommersemester
MehrMaximizing the Spread of Influence through a Social Network
1 / 26 Maximizing the Spread of Influence through a Social Network 19.06.2007 / Thomas Wener TU-Darmstadt Seminar aus Data und Web Mining bei Prof. Fürnkranz 2 / 26 Gliederung Einleitung 1 Einleitung 2
MehrFH Jena Prüfungsaufgaben Prof. Giesecke FB ET/IT Binäre Rechenoperationen WS 11/12
FB ET/IT Binäre Rechenoperationen WS /2 Name, Vorname: Matr.-Nr.: Zugelassene Hilfsmittel: beliebiger Taschenrechner eine selbsterstellte Formelsammlung Wichtige Hinweise: Ausführungen, Notizen und Lösungen
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
MehrDer Aufruf von DM_in_Euro 1.40 sollte die Ausgabe 1.40 DM = 0.51129 Euro ergeben.
Aufgabe 1.30 : Schreibe ein Programm DM_in_Euro.java zur Umrechnung eines DM-Betrags in Euro unter Verwendung einer Konstanten für den Umrechnungsfaktor. Das Programm soll den DM-Betrag als Parameter verarbeiten.
MehrBinäre Suchbäume (binary search trees, kurz: bst)
Binäre Suchbäume (binary search trees, kurz: bst) Datenstruktur zum Speichern einer endlichen Menge M von Zahlen. Genauer: Binärbaum T mit n := M Knoten Jeder Knoten v von T ist mit einer Zahl m v M markiert.
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv
Mehr1 Syntax von Programmiersprachen
1 Syntax von Programmiersprachen Syntax ( Lehre vom Satzbau ): formale Beschreibung des Aufbaus der Worte und Sätze, die zu einer Sprache gehören; im Falle einer Programmier-Sprache Festlegung, wie Programme
MehrSeminar Werkzeuggestütze. tze Softwareprüfung. fung. Slicing. Sebastian Meyer
Seminar Werkzeuggestütze tze Softwareprüfung fung Slicing Sebastian Meyer Überblick Einführung und Begriffe Static Slicing Dynamic Slicing Erweiterte Slicing-Techniken Fazit 2 Was ist Slicing?? (I) Program
MehrAlgorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
MehrNichtmonotones Schließen
Was bisher geschah Wissensrepräsentation und -verarbeitung in Zustandsübergangssystemen klassischer Aussagenlogik: Entscheidungstabellen, -bäume, -diagramme Wissensrepräsentation und -verarbeitung durch
MehrWarren Sturgis McCulloch.
Warren Sturgis McCulloch. Persönliche und akademische Lebensdaten. Warren S. McCulloch http://www.nesfa.org/boskone/b05/photos/warrenmcc ulloch-sm.jpg * 16. November 1899 in Orange, New Jersey 24. September
MehrJan Parthey, Christin Seifert. 22. Mai 2003
Simulation Rekursiver Auto-Assoziativer Speicher (RAAM) durch Erweiterung eines klassischen Backpropagation-Simulators Jan Parthey, Christin Seifert jpar@hrz.tu-chemnitz.de, sech@hrz.tu-chemnitz.de 22.
MehrGrammatiken. Einführung
Einführung Beispiel: Die arithmetischen Ausdrücke über der Variablen a und den Operationen + und können wie folgt definiert werden: a, a + a und a a sind arithmetische Ausdrücke Wenn A und B arithmetische
MehrZusammenfassung. Satz. 1 Seien F, G Boolesche Ausdrücke (in den Variablen x 1,..., x n ) 2 Seien f : B n B, g : B n B ihre Booleschen Funktionen
Zusammenfassung Zusammenfassung der letzten LV Einführung in die Theoretische Informatik Woche 6 Harald Zankl Institut für Informatik @ UIBK Wintersemester 2014/2015 Satz 1 Seien F, G Boolesche Ausdrücke
MehrGleichungen Lösen. Ein graphischer Blick auf Gleichungen
Gleichungen Lösen Was bedeutet es, eine Gleichung zu lösen? Was ist überhaupt eine Gleichung? Eine Gleichung ist, grundsätzlich eine Aussage über zwei mathematische Terme, dass sie gleich sind. Ein Term
MehrKommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.
MehrKANALCODIERUNG AUFGABEN. Aufgabe 1. Aufgabe 2
AUFGABEN KANALCODIERUNG Aufgabe Wir betrachten den Hamming-Code mit m = 5 Prüfbits. a) Wie gross ist die Blocklänge n dieses Codes? b) Wie viele gültige Codewörter umfasst dieser Code? c) Leiten Sie die
Mehrx 2 x 1 x 3 5.1 Lernen mit Entscheidungsbäumen
5.1 Lernen mit Entscheidungsbäumen Falls zum Beispiel A = {gelb, rot, blau} R 2 und B = {0, 1}, so definiert der folgende Entscheidungsbaum eine Hypothese H : A B (wobei der Attributvektor aus A mit x
MehrSignalverarbeitung 1
TiEl-F000 Sommersemester 2008 Signalverarbeitung 1 (Vorlesungsnummer 260215) 2003-10-10-0000 TiEl-F035 Digitaltechnik 2.1 Logikpegel in der Digitaltechnik In binären Schaltungen repräsentieren zwei definierte
MehrOptimalitätskriterien
Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen
MehrErnst-Moritz-Arndt-Universität Greifswald Fachbereich Physik Elektronikpraktikum
Ernst-Moritz-Arndt-Universität Greifswald Fachbereich Physik Elektronikpraktikum Protokoll-Nr.: 11 Digitalschaltungen Protokollant: Jens Bernheiden Gruppe: 2 Aufgabe durchgeführt: 25.06.1997 Protokoll
MehrSimulation neuronaler Netzwerke mit TIKAPP
Überblick Michael Hanke Sebastian Krüger Institut für Psychologie Martin-Luther-Universität Halle-Wittenberg Forschungskolloquium, SS 2004 Überblick Fragen 1 Was sind neuronale Netze? 2 Was ist TIKAPP?
Mehr5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c)
5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c) mit V = {1,...,n} und E {(v, w) 1 apple v, w apple n, v 6= w}. c : E!
MehrBitte schreiben Sie sich in die Mailingliste der Vorlesung ein! Den Link finden Sie auf der Vorlesungshomepage.
Mailingliste Bitte schreiben Sie sich in die Mailingliste der Vorlesung ein! Den Link finden Sie auf der Vorlesungshomepage. ZUR ERINNERUNG Regulärer Stundenplan Freitag, 14-16 Uhr: Vorlesung, ExWi A6
MehrMathematischer Vorbereitungskurs für Ökonomen
Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Gleichungen Inhalt: 1. Grundlegendes 2. Lineare Gleichungen 3. Gleichungen mit Brüchen
MehrPraktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider
Praktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider Versuch: Training des XOR-Problems mit einem Künstlichen Neuronalen Netz (KNN) in JavaNNS 11.04.2011 2_CI2_Deckblatt_XORbinaer_JNNS_2
MehrVorlesung. Funktionen/Abbildungen 1
Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.
MehrEntscheidungsprobleme. Berechenbarkeit und Komplexität Entscheidbarkeit und Unentscheidbarkeit. Die Entscheidbarkeit von Problemen
Berechenbarkeit und Komlexität Entscheidbarkeit und Unentscheidbarkeit Wolfgang Schreiner Wolfgang.Schreiner@risc.uni-linz.ac.at Research Institute for Symbolic Comutation (RISC) Johannes Keler University,
MehrMächtigkeit von WHILE-Programmen
Mächtigkeit von WHILE-Programmen Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 26. November 2009 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
MehrIV. Spieltheorie. H. Weber, FHW, OR SS07, Teil 7, Seite 1
IV. Spieltheorie 1. Gegenstand der Spieltheorie 2. Einführung in Matrixspiele 3. Strategien bei Matrixspielen 4. Weitere Beispiele 5. Mögliche Erweiterungen H. Weber, FHW, OR SS07, Teil 7, Seite 1 1. Gegenstand
MehrRechnerarithmetik. Vorlesung im Sommersemester 2008. Eberhard Zehendner. FSU Jena. Thema: Ripple-Carry- und Carry-Skip-Addierer
Rechnerarithmetik Vorlesung im Sommersemester 2008 Eberhard Zehendner FSU Jena Thema: Ripple-Carry- und Carry-Skip-Addierer Eberhard Zehendner (FSU Jena) Rechnerarithmetik Ripple-Carry- und Carry-Skip-Addierer
MehrScheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É.
Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Tardos Janick Martinez Esturo jmartine@techfak.uni-bielefeld.de xx.08.2007 Sommerakademie Görlitz Arbeitsgruppe 5 Gliederung
MehrAlgorithmische Modelle als neues Paradigma
Algorithmische Modelle als neues Paradigma Axel Schwer Seminar über Philosophische Grundlagen der Statistik, WS 2010/11 Betreuer: Prof. Dr. Thomas Augustin München, den 28. Januar 2011 1 / 29 LEO BREIMAN
Mehr4. Übungsblatt Matrikelnr.: 6423043
Lineare Algebra I 1. Name: Bleeck, Christian 4. Übungsblatt Matrikelnr.: 6423043 Abgabe: 15.11.06 12 Uhr (Kasten D1 320) Übungsgruppe: 03 Patrick Schützdeller 2. Name: Niemann, Philipp Matrikelnr.: 6388613
MehrZahlendarstellungen und Rechnerarithmetik*
Zahlendarstellungen und Rechnerarithmetik* 1. Darstellung positiver ganzer Zahlen 2. Darstellung negativer ganzer Zahlen 3. Brüche und Festkommazahlen 4. binäre Addition 5. binäre Subtraktion *Die Folien
MehrVergleich von Methoden zur Rekonstruktion von genregulatorischen Netzwerken (GRN)
Exposé zur Bachelorarbeit: Vergleich von Methoden zur Rekonstruktion von genregulatorischen Netzwerken (GRN) Fakultät: Informatik, Humboldt-Universität zu Berlin Lijuan Shi 09.05.2013 Betreuer: Prof. Dr.
Mehr5 Logische Programmierung
5 Logische Programmierung Logik wird als Programmiersprache benutzt Der logische Ansatz zu Programmierung ist (sowie der funktionale) deklarativ; Programme können mit Hilfe zweier abstrakten, maschinen-unabhängigen
Mehr3. Zusammenhang. 22 Andreas Gathmann
22 Andreas Gathmann 3. Zusammenhang Eine der anschaulichsten Eigenschaften eines topologischen Raumes ist wahrscheinlich, ob er zusammenhängend ist oder aus mehreren Teilen besteht. Wir wollen dieses Konzept
MehrFunktionale Programmierung Teil 2 Methodik: Spezifikation, Implementierung, Verifikation
Grundlagen der Programm- und Systementwicklung Funktionale Programmierung Teil 2 Methodik: Spezifikation, Implementierung, Verifikation Technische Universität München Institut für Informatik Software &
MehrDifferentialrechnung
Dr. Heidemarie Borgwadt Differentialrechnung Springer Fachmedien Wiesbaden 1994 Ursprünglich erschienen bei Betriebswirtschaftlicher Verlag Dr. Th. Gabler GmbH, Wiesbaden 1994. Lektorat: Annegret Dorn
MehrDeterministische Turing-Maschinen (DTM) F3 03/04 p.46/395
Deterministische Turing-Maschinen (DTM) F3 03/04 p.46/395 Turing-Machine Wir suchen ein Modell zur formalen Definition der Berechenbarkeit von Funktionen und deren Zeit- und Platzbedarf. Verschiedene Modelle
Mehr11. Primfaktorzerlegungen
78 Andreas Gathmann 11 Primfaktorzerlegungen Euch ist sicher aus der Schule bekannt, dass sich jede positive ganze Zahl a als Produkt a = p 1 p n von Primzahlen schreiben lässt, und dass diese Darstellung
MehrParallele und funktionale Programmierung Wintersemester 2013/14. 8. Übung Abgabe bis 20.12.2013, 16:00 Uhr
8. Übung Abgabe bis 20.12.2013, 16:00 Uhr Aufgabe 8.1: Zeigerverdopplung Ermitteln Sie an folgendem Beispiel den Rang für jedes Listenelement sequentiell und mit dem in der Vorlesung vorgestellten parallelen
MehrDIFFERENTIALGLEICHUNGEN
DIFFERENTIALGLEICHUNGEN GRUNDBEGRIFFE Differentialgleichung Eine Gleichung, in der Ableitungen einer unbekannten Funktion y = y(x) bis zur n-ten Ordnung auftreten, heisst gewöhnliche Differentialgleichung
MehrEinführung in Petri-Netze. Modellierung von Abläufen und Prozessen (1) Abhängigkeitsgraphen: Motivation. Petri-Netze
Einführung in Petri-Netze Modellierung von Abläufen und Prozessen () Motivation Abhängigkeitsgraphen: A B 6 C 5 D Petri-Netze Markierungen Invarianten Credits: L. Priese, H. Wimmel: Petri-Netze, Theoretische
MehrDr. Jürgen Roth. Fachbereich 6: Abteilung Didaktik der Mathematik. Elemente der Algebra. Dr. Jürgen Roth 3.1
.1 Dr. Jürgen Roth Fachbereich 6: Abteilung Didaktik der Mathematik Elemente der Algebra . Inhaltsverzeichnis Elemente der Algebra & Argumentationsgrundlagen, Gleichungen und Gleichungssysteme Quadratische
MehrAnmerkungen zur Übergangsprüfung
DM11 Slide 1 Anmerkungen zur Übergangsprüfung Aufgabeneingrenzung Aufgaben des folgenden Typs werden wegen ihres Schwierigkeitsgrads oder wegen eines ungeeigneten fachlichen Schwerpunkts in der Übergangsprüfung
Mehr21.10.2013. Vorlesung Programmieren. Agenda. Dezimalsystem. Zahlendarstellung. Zahlendarstellung. Oder: wie rechnen Computer?
Vorlesung Programmieren Zahlendarstellung Prof. Dr. Stefan Fischer Institut für Telematik, Universität zu Lübeck http://www.itm.uni-luebeck.de/people/pfisterer Agenda Zahlendarstellung Oder: wie rechnen
MehrZahlensysteme. Digitale Rechner speichern Daten im Dualsystem 435 dez = 1100110011 binär
Zahlensysteme Menschen nutzen zur Angabe von Werten und zum Rechnen vorzugsweise das Dezimalsystem Beispiel 435 Fische aus dem Teich gefischt, d.h. 4 10 2 + 3 10 1 +5 10 0 Digitale Rechner speichern Daten
MehrKlausur für Studiengänge INF und IST
Familienname: Matrikelnummer: Studiengang: (bitte ankreuzen) INF IST MED Vorname: Email-Adresse: Immatrikulationsjahr: Klausur für Studiengänge INF und IST sowie Leistungsschein für Studiengang Medieninformatik
MehrNP-Vollständigkeit. Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984)
NP-Vollständigkeit Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984) 0 Übersicht: Einleitung Einteilung in Klassen Die Klassen P und NP
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
Mehr2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik
Stefan Lucks Diskrete Strukturen (WS 2009/10) 57 2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik Uhr: Stunden mod 24, Minuten mod 60, Sekunden mod 60,... Rechnerarithmetik: mod 2 w, w {8, 16, 32,
MehrLösungen: zu 1. a.) 0 0 1 1 b.) 1 1 1 1 c.) 0 1 1 0 + 1 1 0 0 + 0 0 1 1 + 0 1 1 1 1 1 1 1 1 0 0 1 0 1 1 0 1
Lösungen: zu 1. a.) 0 0 1 1 b.) 1 1 1 1 c.) 0 1 1 0 + 1 1 0 0 + 0 0 1 1 + 0 1 1 1 1 1 1 1 1 0 0 1 0 1 1 0 1 vorzeichenlose Zahl: 15 vorzeichenlose Zahl: 18 vorzeichenlose Zahl: 13 Zweierkomplement: - 1
MehrErzeugung zufälliger Graphen und Bayes-Netze
Erzeugung zufälliger Graphen und Bayes-Netze Proseminar Algorithmen auf Graphen Georg Lukas, IF2000 2002-07-09 E-Mail: georg@op-co.de Folien: http://op-co.de/bayes/ Gliederung 1. Einleitung 2. einfache
Mehr